ارزیابی تاثیر تغییرات کاربری و پوشش زمین بر دمای سطح زمین با استفاده از تصاویر ماهواره‌ای و الگوریتم‌های طبقه‌بندی نظارت‌شده

این مطالعه با هدف اصلی مقایسه توانایی چهار الگوریتم یادگیری ماشین غیرپارامتری از جمله ماشین بردار پشتیبان (svm)، جنگل تصادفی (rf)، درخت طبقه‌بندی و رگرسیون (cart) و حداقل فاصله (md) برای تولید نقشه‌های کاربری و پوشش زمین انجام شده است. داده‌های چند زمانی سنجنده‌های سنتینل 2 و لندست 8، در پلتفرم گوگل ارث انجین (gee) استفاده شد. نتایج نشان داد که طبقه‌بندی تصاویر سنتینل 2 با دقت و ضریب کاپای بالاتر برای همه طبقه‌بندی کننده‌ها، دقیق‌تر از طبقه‌بندی تصاویر لندست 8 است. طبقه‌بندی کننده svm با میانگین دقت کلی 92.9 و 92.2 درصد به ترتیب برای تصاویر  سنتینل 2 و لندست 8 بهترین عملکرد را نسبت به سایر طبقه‌بندی کننده‌ها ارائه داد. نتایج شناسایی تغییرات lulc در طول دوره مطالعه با استفاده از مناسب‌ترین طبقه‌بندی‌کننده نشان داد مساحت کاربری‌های باغ زیتون، شالیزار و مناطق شهری در دوره مورد مطالعه افزایش یافت. در مقابل، مساحت گستره‌های آبی و زمین بایر کاهش یافته است. بررسی تاثیر تغییرات کاربری و پوشش زمین بر دمای سطح زمین بیان می‌کند که با افزایش سطوح پوشش گیاهی در منطقه، مقدار دمای سطح زمین (lst) از حداکثر و حداقل 36.48 و 21.8 درجه سلسیوس در سال 2019 به 33.84 و 19.67 درجه سلسیوس در سال 2023 رسیده است. استفاده از داده‌های ماهواره‌ای با وضوح فضایی بالا و الگوریتم svm، می‌تواند به عنوان یک روش دقیق و کارآمد برای تهیه نقشه کاربری و پوشش زمین و ارزیابی تغییرات محیطی معرفی شود. بنابراین می‌توان از آن به عنوان یک داده ارزشمند برای تصمیم‌گیری‌های مرتبط با مدیریت منابع طبیعی و برنامه‌ریزی شهری در مناطق مشابه استفاده نمود.

assessing the influence of land use/land cover changes on land surface temperature by satellite data imagery and supervised classification algorithm

this research aims to evaluate the abilities of four non-parametric machine learning algorithms, including support vector machine (svm), random forest (rf), classification and regression tree (cart), and minimum distance (md), to produce lulc maps. utilizing multi-temporal data from sentinel-2 and landsat-8 sensors, the investigation was conducted within the google earth engine (gee) framework. the outcomes underscore the superior reliability of sentinel-2 data compared to landsat-8 data across all classifiers. the svm classifier, with an overall accuracy of 92.9% and 92.2% for sentinel-2 and landsat-8 images, respectively, provided the best performance compared to other classifiers. the results pertaining to the identification of lulc alterations during the study duration, employing the optimal classifier (svm), revealed an expansion in the expanse of olive groves, rice paddies, and built-up areas, alongside a contraction in water bodies and barren lands. the evaluation of the implications of lulc variations on land surface temperature (lst) manifested that augmenting vegetation cover corresponded with diminished lst values within the study area. this shift led to lst values ranging from 36.48 to 21.8 celsius in 2019, which evolved to 33.84 and 19.67 celsius in 2023. the research concludes that the combination of high-spatial-resolution satellite data and the svm algorithm presents an accurate and efficient approach for generating lulc maps and assessing environmental transformations.